———————————————————————————————————————

缺陷預(yù)估方法介紹

當(dāng)前項目缺陷預(yù)估案例

新項目缺陷預(yù)估案例

———————————————————————————————————————

1. 缺陷預(yù)估方法介紹

缺陷預(yù)估，作為軟件缺陷管理的一個重要環(huán)節(jié)，是軟件質(zhì)量從業(yè)者的一項重點技能。

目前了解到的缺陷預(yù)估方法有如下3種：

1.1 Gompertz 缺陷分析法

? ? ? 該方法適用于對軟件測試過程中，同一階段的同一種測試活動所發(fā)現(xiàn)的缺陷進(jìn)行預(yù)估。

? ? ? 實施方法（詳見https://www.docin.com/p-242942203.html ； https://zhuanlan.zhihu.com/p/53494065;https://wenku.baidu.com/view/28d1dbcbac51f01dc281e53a580216fc700a5398.html）：

1.2 Rayleigh 缺陷分析法

? ? ?該適用于各階段缺陷的預(yù)估。

? ? ? 實施方法（詳見https://www.docin.com/p-242942203.html ；https://zhuanlan.zhihu.com/p/53399357） ：

1.3? 多元線性回歸方程缺陷分析法

? ? ?SPSS工具基于歷史數(shù)據(jù)計算得出相關(guān)數(shù)據(jù)因素間的關(guān)系，進(jìn)而預(yù)估未來缺陷。

? ? 實施方法：

?1）? 多元線性回歸方程： Y=A+K1*X1+K2*X2+K3*X3+K4*X4

?因變量：BUG總數(shù)（Y）

自變量：影響B(tài)UG總數(shù)的因素（X）

常數(shù)項：A（常數(shù)項表示的是未被自變量解釋的且長期存在（非隨機）的部分；符合實際情況，有不可去除的特點。）

自變量的影響系數(shù)值（回歸系數(shù)）：K

K值越大，代表自變量X對Y的影響越大，反之越??；

2）自變量 因素： 每天新提BUG數(shù)，遞增的BUG總數(shù)，測試投入人力，疊加的測試周期，功能實現(xiàn)率

3）系統(tǒng)中導(dǎo)出BUG數(shù)據(jù)，用SPSS軟件計算出多元線性方程的常數(shù)項A和影響系數(shù)K, 最后方程中填入自變量和因變量，計算出BUG總數(shù)

2. 當(dāng)前項目缺陷預(yù)估案例

參見下圖，

假定測試投入人力不變的情況下，每周新提BUG數(shù)取累計平均每周新提BUG數(shù)：15

假定以10.30為項目截止時間，第45周完成所有BUG的修復(fù)，預(yù)估每周需要修復(fù)BUG數(shù)約30個

說明： 項目落地時，需要依據(jù)各自項目的特性（人力投入/項目周期/RCS計劃/項目復(fù)雜度/開發(fā)模式/開發(fā)流程）等差異找出影響因素，依據(jù)影響因素的差異進(jìn)行差異化預(yù)估

3. 新項目缺陷預(yù)估案例

? ? 采用多元線性回歸方程缺陷分析法進(jìn)行預(yù)估

第一步，收集歷史數(shù)據(jù)

第二步，SPSS工具分析?

??確定多元線性回歸方程系數(shù)

?參見SPSS工具使用方法導(dǎo)入歷史數(shù)據(jù)，計算輸出BUG預(yù)估多元線性回歸方程系數(shù)。

?輸出結(jié)果：

依據(jù)輸出的結(jié)果，梳理出對應(yīng)的方式系數(shù)如下：

?第三步，新項目BUG預(yù)測

依據(jù)上述方程系數(shù)，新項目周期以1年計算，成熟度分別以 40%， 60%， 80%，100%，人力隨成熟度遞增（1~3人），預(yù)估BUG總數(shù)為1065。

***************************************************************************************************

平均每周新提BUG數(shù)a1 測試投入人力 疊加的測試周期（周） 功能實現(xiàn)率 BUG總數(shù)Y 方程

14.8 1 1 40% 149 Y=B+a1*X1+a2*x2+a3*x3+a4*x4

14.8 1 2 40% 157

14.8 1 3 40% 165

14.8 1 4 40% 172

14.8 1 5 40% 180

14.8 1 6 40% 188

14.8 1 7 40% 195

14.8 1 8 40% 203

14.8 1.5 9 60% 340

14.8 1.5 10 60% 347

14.8 1.5 11 60% 355

14.8 1.5 12 60% 363

14.8 1.5 13 60% 370

14.8 1.5 14 60% 378

14.8 1.5 15 60% 386

14.8 1.5 16 60% 393

14.8 2 17 80% 530

14.8 2 18 80% 538

14.8 2 19 80% 545

14.8 2 20 80% 553

14.8 2 21 80% 561

14.8 2 22 80% 568

14.8 2 23 80% 576

14.8 2 24 80% 583

14.8 3 25 100% 851

14.8 3 26 100% 859

14.8 3 27 100% 866

14.8 3 28 100% 874

14.8 3 29 100% 882

14.8 3 30 100% 889

14.8 3 31 100% 897

14.8 3 32 100% 905

14.8 3 33 100% 912

14.8 3 34 100% 920

14.8 3 35 100% 927

14.8 3 36 100% 935

14.8 3 37 100% 943

14.8 3 38 100% 950

14.8 3 39 100% 958

14.8 3 40 100% 966

14.8 3 41 100% 973 ?

14.8 3 42 100% 981 ?

14.8 3 43 100% 988 ?

14.8 3 44 100% 996 ?

14.8 3 45 100% 1004 ?

14.8 3 46 100% 1011 ?

14.8 3 47 100% 1019 ?

14.8 3 48 100% 1027 ?

14.8 3 49 100% 1034 ?

14.8 3 50 100% 1042 ?

14.8 3 51 100% 1049 ?

14.8 3 52 100% 1057 ?

14.8 3 53 100% 1065 ?

?***************************************************************************************************